پیش‌بینی تعداد موارد بروسلوز براساس پارامترهای اقلیمی با استفاده از روش‌های داده کاوی شبکه‌های عصبی مصنوعی پرسپترون چند لایه، تابع پایه شعاعی و نزدیک‌ترین همسایگی

مقدمه و اهداف: شناسایی مدل های آماری دارای پیش بینی های دقیق در تعیین دقیق و به هنگام طغیان بیماری های عفونی در نظام مراقبت بهداشتی این بیماری ها بسیار با اهمیت است. این مطالعه با هدف ارزیابی و مقایسه عملکرد سه روش یادگیری ماشین در مدل سازی و پیش بینی سری زمانی بروسلوز بر اساس پارامترهای اقلیمی انجام شد.روش کار: در این مطالعه موارد بروسلوز انسانی و پارامترهای اقلیمی به صورت ماهانه، در طول 12 سال (95-1383) از استان همدان واقع در غرب ایران تحلیل شد. داده ها به دو زیرمجموعه آموزش (80 درصد) و آزمون (20 درصد) تقسیم شد. روش های تابع پایه شعاعی و چند لایه پروسپترون و نزدیک ترین همسایه سری زمانی به هر زیرمجموعه برازش شد. ارزیابی عملکرد مدل ها با استفاده از معیارهای rmse، mae، mrae، r2 و icc انجام شد.یافته ها: نتایج نشان داد که مقادیر معیارهای (79/ 23)rmse، (56/ 20)mae، (25/ 0)mrae برای مدل شبکه عصبی چند لایه پرسپترون کوچک تر از مقادیر آن ها در دو مدل دیگر بود. هم چنین، در این مدل مقادیر بزرگ تری برای معیارهای (61/ 0)r2 و (75/ 0)icc به دست آمد. بنابراین مدل شبکه ی عصبی چند لایه پرسپترون در پیش بینی داده های مورد مطالعه عملکرد بهتری داشت. دما نسبت به سایر پارامترهای اقلیمی موثرترین عامل در بروز این بیماری بود.نتیجه گیری: شبکه عصبی چندلایه پرسترون می تواند به عنوان یک روش کارا برای تشخیص رفتار روند بروسلوز در طول زمان به کار رود. با این حال مطالعات بیش تری با هدف کاربرد و مقایسه این روش ها برای شناسایی مناسب ترین روش پیش بینی روند این بیماری مورد نیاز است.